LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
华仔应助不知道起什么好采纳,获得10
刚刚
lyp完成签到 ,获得积分10
3秒前
3秒前
3秒前
霸气土豆完成签到 ,获得积分10
11秒前
11秒前
背后访风发布了新的文献求助10
12秒前
Zehn发布了新的文献求助10
12秒前
无名花生完成签到 ,获得积分10
14秒前
欣慰的血茗完成签到,获得积分10
15秒前
15秒前
爱你的歌发布了新的文献求助10
15秒前
小英发布了新的文献求助10
16秒前
bkagyin应助称心千凝采纳,获得10
17秒前
Owen应助BL采纳,获得10
18秒前
清爽的雨竹完成签到 ,获得积分10
20秒前
yufanhui应助Sabrina采纳,获得10
20秒前
起风了发布了新的文献求助10
21秒前
21秒前
一号小玩家完成签到,获得积分10
21秒前
信仰xy完成签到,获得积分10
22秒前
wanci应助Zehn采纳,获得10
22秒前
24秒前
合适的行天完成签到,获得积分10
25秒前
26秒前
灵巧猫咪完成签到,获得积分10
27秒前
orixero应助爱你的歌采纳,获得10
29秒前
30秒前
31秒前
32秒前
lyp完成签到 ,获得积分10
32秒前
34秒前
NexusExplorer应助小猫咪喵喵采纳,获得10
34秒前
Saber发布了新的文献求助10
35秒前
36秒前
爱你的歌完成签到,获得积分10
38秒前
39秒前
39秒前
40秒前
DDS发布了新的文献求助10
41秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3186379
求助须知:如何正确求助?哪些是违规求助? 2836717
关于积分的说明 8010566
捐赠科研通 2499020
什么是DOI,文献DOI怎么找? 1334061
科研通“疑难数据库(出版商)”最低求助积分说明 637003
邀请新用户注册赠送积分活动 604952